Resumen

En este estudio se empleó una red neuronal de controlador de articulación de modelo cerebeloso (CMAC) para realizar diagnósticos de fallos en sistemas de generación de energía fotovoltaica. Compusimos un conjunto de módulos utilizando 9 conexiones en serie y 2 en paralelo de módulos fotovoltaicos SHARP NT-R5E3E de 175 W. Además, utilizamos datos que se emitieron en diversas condiciones de fallo como muestras de entrenamiento para el CMAC y utilizamos este modelo para realizar el diagnóstico de fallos del conjunto de módulos una vez completado el entrenamiento. Los resultados del proceso de entrenamiento y las simulaciones indican que el método propuesto en este estudio requiere un menor número de veces de entrenamiento en comparación con otros métodos. Además de aumentar significativamente la tasa de precisión del diagnóstico de fallos, este modelo se caracteriza por una corta duración del entrenamiento, ya que el proceso de entrenamiento sólo afina los pesos de las direcciones de memoria salidas. Por lo tanto, el diagnóstico de fallos es rápido y se mejora la tolerancia de detección del sistema de diagnóstico.

• Materias:Energía solar Fotoquímica Fotocatálisis Nanoestructuras Optoelectrónica
• Subjects:Solar energy Photochemistry Photocatalysis Nanostructures Optoelectronics
• Palabras claves:diagnóstico de fallos, proceso de formación, controlador de articulación de modelo cerebeloso, diagnóstico de fallos de conjuntos de módulos, sistemas de generación de energía fotovoltaica, módulos fotovoltaicos w, corta duración de la formación, diversas condiciones de fallo, cmac, adición
• Keywords:fault diagnosis, training process, cerebellar model articulation controller, module array fault diagnosis, photovoltaic power generation systems, w photovoltaic modules, short training duration, various fault conditions, cmac, addition